人工智能导论：模型与算法
《人工智能导论：模型与算法》是一本体系完整、突出算法和教学资源丰富的人工智能教材，可帮助读者掌握人工智能脉络体系，从算法和模型方面来了解人工智能具能、使能和赋能的原理。全书共9章，第1章绪论；第2章逻辑与逻辑；第3章搜索求解；第4章监督学习；第5章无监督学习；第6章深度学习；第7章强化学习；第8章人工智能博弈；第9章人工智能未来发展和趋势。书中给了习题和编程题目。《人工智能导论：模型与算法》可作为人工智能专业和计算机类相关专业的本科生或研究生学习人工智能的教材。由于书中各章内容相对独立，教师可根据课程计划和专业需要选择讲授内容。
人工智能导论：模型与算法 PDF 下载
IDEA永久激活方法永久破解永久激IDEA永久激活方法永久破解永久激活码...
SVN入门手册PDF下载SVN入门手册PDF下载...
计算机体系结构第二版PDF下载计算机体系结构第二版PDF下载...
智能终端跨平台开发PDF下载智能终端跨平台开发PDF下载...
CentOS7Hadoop2.7.X安装部署PDF下载CentOS7Hadoop2.7.X安装部署PDF下载...
数据结构Python语言描述PDF下载数据结构Python语言描述PDF下载...
《智能算法导论》[90M]百度网盘pdf下载
人工智能发展历史是短暂而曲折的，它点滴的进步都有效推动了社会的发展。1956年，在达特茅斯学院举行的一次会议上，计算机科学家约翰·麦卡锡说服与会者接受“人工智能”一词作为本领域的名称，这次会议也被大家看作人工智能正式诞生的标志。此后的十几年是人工智能发展的黄金年代，无数科学家前赴后继对此进行研究，为机器智能化和人性化不断努力奋斗，获得了许多成果，得到了广泛赞赏，同时也让研究者对人工智能领域的发展信心倍增。到了20世纪70年代，由于计算复杂性呈指数级增长，而计算机性能遇到瓶颈，同时出现数据量缺失等问题，一些难题看上去好像完全找不到答案，人工智能开始遭受批评。1977年，费根鲍姆在第五届国际人工智能大会上提出了“知识工程”的概念，标志着人工智能研究从传统的以推理为中心的阶段进入以知识为中心的新阶段。人工智能重新获得人们的普遍重视，逐步跨进了复兴期。随着人工智能的深入研究，模式识别的兴起，机器思维可以代替人脑进行各种计算、决策和分析，有效解放了人们双手，智能技术越来越受到人们的欢迎。越来越多的科学家坚信，人工智能将为人类社会带来第三次技术革命。作为人工智能的新生领域，智能算法是在自然计算、启发式方法、量子、神经网络等分支发展相对成熟的基础上，通过相互之间的有机融合形成的新的科学方法，也是智能理论和技术发展的崭新阶段。自然计算方法主要通过模仿自然界中的群体智能等特点，建立具有自适应、自组织、自学习能力的模型与算法，用于解决传统计算方法解决复杂问题时的限制问题。本书涵盖遗传算法、免疫算法、Memetic算法、粒子群算法、人工蚁群算法等多种自然计算方法，从算法起源、算法实现和算法应用等方面进行总结和介绍，涉及经典组合优化、图像处理等问题。启发式方法相对于最优化算法提出，基于经验建立模型，获得可行解。启发式优化算法也属于自然计算方法的范畴，主要包模拟退火算法、雨滴算法等。本书通过介绍启发式算法的基础原理，对包括多目标优化问题、调度问题、图像处理等应用进行了讨论。量子计算的并行性、指数级存储容量和指数加速特征展示了其强大的运算能力。计算智能的研究也可以建立在物理基础上，有效利用量子理论的原理和概念，在人工智能领域的应用中取得明显优于传统智能计算模型的结果，因此量子计算智能具有很高的理论价值和发展潜力。本书对量子计算智能的几种模型及协同量子粒子群优化等方法进行了详细介绍。神经网络作为一种模仿动物神经网络行为特征的方法，通过分布式并行信息处理调整内部“神经元”之间的连接关系，进行信息处理。随着计算机处理速度和存储能力的提高，深层神经网络的设计和实现也逐渐成为可能。链式结构便是神经网络中最为常见的结构，链的全长被称为模型深度，深度学习由此产生。本书对神经网络和深度学习进行介绍，并讨论它们在计算机视觉、语音处理等方面的应用。此外，本书还对最小二乘法、A*算法、强化学习方法和几种混合智能算法进行了介绍，并对其数学基础、算法流程及机器学习领域中的简单案例进行了讨论。经过近十几年对人工智能领域和智能算法的研究，对相关知识和方法进行了系统的梳理，总结了一套较为完整的体系，最终形成此书。本书特色（1）紧跟学术前沿编著者查阅大量的相关资料，结合近年来智能算法的研究成果，紧跟国内外相关研究机构的最新研究动态，积极与国内外学者和企业人员进行交流，力图将最新动态与各位读者分享。（2）论述清晰，知识完整本书内容丰富，阐述严谨，对若干智能算法的起源、理论基础、基本框架和典型应用进行了详细论述，适合在人工智能领域以及相关交叉领域的教师教学和学生学习。（3）学科交叉智能算法应用广泛，与生物学、计算机科学、神经科学、语言学等学科交叉发展，互相影响。本书充分体现了学科交叉，很好地将这些知识进行了结合。（4）重视应用本书不仅论述了智能算法的起源、理论基础和基本框架，还在此基础上针对相关领域中的典型问题给出智能算法的应用示例，使读者可以在理解理论知识的同时，对人工智能学科产生兴趣，培养动手能力。致谢本书是西安电子科技大学人工智能学院——“智能感知与图像理解”教育部重点实验室、“智能感知与计算”教育部国际联合实验室、国家“111”计划创新引智基地、国家“2011”信息感知协同创新中心、“大数据智能感知与计算”陕西省2011协同创新中心、智能信息处理研究所集体智慧的结晶，感谢集体中的每一位同仁的奉献。特别感谢保铮院士多年来的悉心培养和指导；感谢中国科学技术大学陈国良院士和IEEE计算智能学会副主席、英国伯明翰大学姚新教授，英国埃塞克斯大学张青富教授，英国萨里大学金耀初教授，英国诺丁汉大学屈嵘教授的指导和帮助；感谢国家自然科学基金委信息科学部的大力支持；感谢田捷教授、高新波教授、石光明教授、梁继民教授的帮助；感谢张玮桐、孟洋、张静雯、路梦瑶、王路娟、何江海、张雨萌等智能感知与图像理解教育部重点实验室研究生所付出的辛勤劳动。在此特别感谢以下支持：国家自然科学基金61773304、U1701267、61871310、61773300、61772399、61672405、61473215、61876141、61806156、61806154、61802295、61801351；国家自然科学基金重点项目61836009；国家自然科学基金创新研究群体科学基金61621005；优秀青年科学基金项目61522311；高等学校学科创新引智计划（111计划）B07048；重大研究计划91438201和91438103；教育部指导高校科技创新规划项目；教育部“长江学者和创新团队发展计划”IRT_15R53。感谢编著者家人的大力支持和理解。由于编著者水平有限，书中不妥或疏漏之处在所难免，敬请各位专家及广大读者批评指正。
《人工智能算法大全：基于MATLAB》[81M]百度网盘pdf下载
前言第一篇特征处理算法第1章ReliefF特征选择算法1.1原理介绍1.1.1算法思想1.1.2算法流程1.1.3算法详细介绍1.2ReliefF特征选择算法优缺点1.3实例分析1.3.1数据集介绍1.3.2函数介绍1.3.3ReliefF算法在分类问题中的实例分析1.3.4ReliefF算法在回归问题中的实例分析1.4房价回归预测问题的特征选择案例代码
第2章Chi-Merge算法2.1原理介绍2.1.1算法思想2.1.2算法流程2.2Chi-Merge算法的优缺点2.3实例分析2.3.1数据集介绍2.3.2函数介绍2.3.3结果分析2.4代码获取
第3章特征规约算法3.1特征规约算法原理介绍3.1.1特征规约算法思想3.1.2特征规约算法流程3.1.3PCA算法及相关矩阵分解3.2几种特征规约算法的优缺点3.3特征规约算法实例分析3.3.1数据集介绍3.3.2函数介绍3.3.3结果分析3.4代码获取
第二篇分类和聚类算法
第4章KNN算法4.1原理介绍4.1.1算法思想4.1.2算法流程4.2KNN算法的核心知识4.2.1距离或相似度的衡量4.2.2K值的选取4.2.3K个邻近样本的选取4.3KNN算法的优缺点4.4实例分析4.4.1数据集介绍4.4.2函数介绍4.4.3结果分析4.5代码获取
第5章K-Means算法5.1原理介绍5.1.1算法思想5.1.2算法流程5.1.3K值的选取5.2K-Means算法的优点与缺点5.2.1K-Means算法的优点5.2.2K-Means算法的缺点5.3实例分析5.3.1数据集介绍5.3.2函数介绍5.3.3K的选择5.3.4训练结果分析5.4代码介绍5.4.1K-Means训练的函数代码5.4.2计算距离矩阵的函数代码5.4.3分析模型的代码5.5代码获取
第6章高斯混合聚类算法6.1原理介绍6.1.1算法思想6.1.2算法流程6.1.3EM算法理论与GMM参数推导6.1.4EM聚类与K-Means聚类的对比6.2高斯混合聚类算法的优缺点6.3实例分析6.3.1数据集介绍6.3.2函数介绍6.3.3学习过程6.3.4样本聚类结果6.4代码获取
第7章ISODATA算法7.1.1算法思想7.1.2算法流程7.2ISODATA算法的优缺点7.3实例分析7.3.1函数介绍7.3.2数据介绍7.3.3训练结果7.3.4其他参数下的聚类结果7.4代码介绍7.4.1鸢尾花数据测试代码7.4.2代码获取
第8章谱聚类算法8.1原理介绍8.1.1算法思想8.1.2谱聚类的切图聚类8.1.3算法流程8.2聚类普算法的优缺点8.3实例分析8.3.1数据集介绍8.3.2函数介绍8.3.3结果分析8.3.4代码获取
第三篇神经网络算法
第9章BP神经网络与径向基神经网络算法9.1原理介绍9.1.1算法思想9.1.2算法流程9.1.3BP神经网络与径向基神经网络结构说明9.1.4误差反向传递（含权值偏置调整）9.1.5调整输出层的权值偏置矩阵9.1.6调整隐含层权值偏置矩阵9.1.7径向基神经网络9.2BP和径向基神经网络算法的优缺点9.2.1BP神经网络和径向基神经网络的优点9.2.2BP神经网络和径向基神经网络的缺点9.3实例分析9.3.1数据集介绍9.3.2BP神经网络使用9.3.3径向基神经网络的应用9.4代码获取
第10章Hopfield神经网络算法10.1原理介绍10.1.1算法思想10.1.2算法流程10.1.3Hopfield神经网络结构10.1.4离散Hopfield网络能量函数收敛性证明10.2Hopfield神经网络算法的优点与缺点10.3正交法权值计算10.4正交法权值计算的吸引情况说明10.5实例分析10.6代码获取
第11章LSTM长短期记忆网络算法11.1原理介绍11.1.1算法思想11.1.2算法流程11.2LSTM的数学推导和说明11.2.1数据集符号申明11.2.2训练过程11.3激活函数求导说明11.4补充11.5LSTM算法的优点与缺点11.6实例分析11.6.1数据集介绍11.6.2函数介绍11.6.3结果分析11.7代码获取
第四篇优化算法
第12章网格寻优算法12.1原理介绍12.1.1算法思想12.1.2算法流程12.2网格寻优算法的优缺点12.3实例分析12.3.1函数介绍12.3.2结果分析12.4代码获取
第13章模拟退火聚类算法13.1原理介绍13.1.1算法思想13.1.2算法流程13.2模拟退火算法的优缺点13.3实例分析13.3.1数据介绍13.3.2函数介绍13.3.3结果分析13.4代码介绍13.4.1分析模型的代码13.4.2模拟退火结合K-Means算法的代码获取
第14章EMD经验模态分解算法14.1原理介绍14.1.1算法思想14.1.2算法流程14.1.3经验模态分解（EMD）的核心要点14.1.4经验模态分解的理论基础14.1.5包络线拟合14.1.6三次样条插值的应用14.1.7其他插值方法介绍14.2EMD经验模态分解算法的优缺点14.3实例分析14.3.1数据集介绍14.3.2函数介绍14.3.3上证指数EMD分解14.4代码获取
第五篇基于不同数学思想的算法
第15章粗糙集算法15.1原理介绍15.1.1算法思想15.1.2算法流程15.1.3基本概念15.2粗糙集算法的优缺点15.3实例分析15.3.1数据集介绍15.3.2函数介绍15.3.3训练结果15.3.4其他说明15.4代码介绍15.4.1测试案例代码15.4.2粗糙集算法涉及的其他代码获取
第16章基于核的Fisher算法16.1基于核的Fisher算法介绍16.1.1算法思想16.1.2基于核的Fisher算法数学推
人工智能算法（卷2）：受大自然启发的算法 PDF 下载
IDEA永久激活方法永久破解永久激IDEA永久激活方法永久破解永久激活码...
SVN入门手册PDF下载SVN入门手册PDF下载...
计算机体系结构第二版PDF下载计算机体系结构第二版PDF下载...
智能终端跨平台开发PDF下载智能终端跨平台开发PDF下载...
CentOS7Hadoop2.7.X安装部署PDF下载CentOS7Hadoop2.7.X安装部署PDF下载...
数据结构Python语言描述PDF下载数据结构Python语言描述PDF下载...